[pt] APRIMORANDO A PREVISÃO DE PREÇOS DE ATIVOS: CONFORMAL PREDICTION ENSEMBLES

[en] ENHANCING ASSET PRICE PREDICTION: CONFORMAL PREDICTION ENSEMBLES

[pt] FLAVIO SERGIO DA SILVA

[pt] GERENCIAMENTO DE RISCOS

[pt] PROJECAO DE PRECO DE ATIVOS

[pt] MODELO DE APRENDIZADO DE MAQUINA

[pt] MERCADO FINANCEIRO

[en] RISK MANAGEMENT

[en] ASSET PRICE PREDICTION

[en] MACHINE LEARNING MODEL

[en] FINANCIAL MARKET

[pt] O mercado financeiro é um indicador fundamental da saúde econômica deum país, promovendo crédito e liquidez para sustentar investimentos e o fluxode capital. Ele facilita o crescimento das empresas e contribui para a geraçãode riqueza dos investidores. A Previsão de Preços de Ativos (APP) tem sidoabordada por meio de diversas metodologias, como Estatísticas Convencionais(CS), Análise Fundamentalista (FA), Análise Técnica (TA), Regras Heurísticas(HR) e, mais recentemente, Aprendizado de Máquina (ML). Apesar dosavanços computacionais, a APP continua sendo uma tarefa complexa devidoà natureza estocástica e caótica dos mercados financeiros.Atualmente, os melhores resultados (SOTA) apresentam acurácia de cerca de 79 por cento para previsão de tendência e aproximadamente 27 por cento paraprevisão de preço. No entanto, a maioria das abordagens carece de métodosrobustos para quantificar a incerteza das previsões, o que limita sua aplicaçãoprática na gestão de riscos. Este estudo propõe um modelo baseado emConformal Prediction Ensemble (CPE), integrando Conformal Prediction (CP)à calibragem dos resultados obtidos por ML para APP. A metodologia emcinco etapas inicia com o uso de HR para simular cenários realistas de APP. Em seguida, modelos de ML predizem o valor de fechamento (Close), que écalibrado com CP. Um Random Approach (RA) seleciona novos valores deClose de forma uniforme a partir do conjunto de previsões CP. Os resultadoscom e sem CP são comparados por meio do Symmetric Mean AbsolutePercentage Error (sMAPE). Os dados utilizados são os índices Standard and Poor s 500 (SPX) e Bovespa (IBOV). A proposta visa superar o desempenhode modelos ML isolados, incorporando estimativas de incerteza, e contribuicom uma estratégia empírica e prática de gestão de risco baseada em CP.

[en] The financial market is widely recognized as a central indicator of a nation s economic vitality, providing essential credit and liquidity to support investment and capital allocation. It plays a dual role by enabling the growth of corporate capital and enhancing investor wealth. Asset Price Prediction (APP) has been approached through a range of techniques, including Conventional Statistics (CS), Fundamental Analysis (FA), Technical Analysis (TA), Heuristic Rules (HR), and, more recently, Machine Learning (ML). Despite considerable advancements in computational power and algorithmic design, APP remains a complex challenge due to the inherently stochastic and nonlinear behavior of financial markets. Recent state-of-the-art (SOTA) studies report trend prediction accuracy near 79 percent and price prediction accuracy around 27 percent. However, a key limitation of many existing approaches is their inability to provide reliable estimates of predictive uncertainty, which is critical for informed risk management. This work addresses this gap by proposing a Conformal Prediction Ensemble (CPE) framework that incorporates Conformal Prediction (CP) techniques to calibrate the outputs of ML-based APP models. The proposed methodology consists of four sequential steps: ML models generate Close value predictions, which are then calibrated using CP. Next, the Conformal Prediction Intervals (CPIs) are intersected to enhance reliability. Finally, a Random Approach (RA) is used to sample Close values from the resulting intersection set uniformly. Model performance is assessed with and without the application of CP, using the Symmetric Mean Absolute Percentage Error (sMAPE) as the evaluation metric. Empirical validation is carried out on two benchmark indices: the Standard and Poor s 500 (SPX) and the Bovespa Index (IBOV). The CPE framework demonstrates improved predictive robustness by explicitly incorporating uncertainty estimation, thus contributing to a practical and empirically grounded strategy for risk-aware APP in financial markets.

JOSE ALBERTO RODRIGUES PEREIRA SARDINHA

MARKUS ENDLER

EDWARD HERMANN HAEUSLER

2025-07-16

2025-05-19

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=71621@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=71621@2

https://doi.org/10.17771/PUCRio.acad.71621